https://colab.research.google.com/drive/19IsaPW0YQcpFHgKwrSfptisLo9Lv33Pu?usp=sharing
Olá, instrutores!
Segue minha implementação da atividade "IA Aumentada: Prevendo Atrasos de Voos". Documentei as decisões técnicas para facilitar o feedback.
Decisões de implementação:
1 — DummyRegressor como baseline explícito: defini strategy="mean" explicitamente — o padrão já é a média, mas tornar isso explícito comunica intenção. Um modelo real só tem valor se superar esse piso.
2 — root_mean_squared_error em vez de squared=False: o parâmetro squared=False foi removido no scikit-learn 1.4. Usei a função direta root_mean_squared_error para garantir compatibilidade com versões atuais.
3 — Delta de performance: calculei a diferença absoluta entre Dummy e RandomForest nas métricas MAE e RMSE para quantificar o ganho real, não apenas comparar números isolados.
4 — API orientada a objetos do Yellowbrick: preferi o padrão visualizer.fit().score().show() à função-atalho prediction_error(), que é mais adequado para controle de estado e evita comportamentos inesperados no Colab.
5 — np.abs() nos scores de validação cruzada: o cross_validate retorna MAE e RMSE com sinal negativo (convenção sklearn para otimizadores). A conversão é feita apenas na exibição, sem alterar os dados originais.
6 — n_jobs=-1 no RandomForest: paraleliza o treinamento usando todos os núcleos disponíveis — padrão em produção.
Agradeço o feedback!
